高速公路交通流預(yù)測模型研究

黃紫竹

摘要 為了解決高速公路道路擁塞問題，建立相應(yīng)的高速交通流預(yù)測模型是較好的解決途徑。文章綜合分析當(dāng)前常見的交通流預(yù)測模型特點(diǎn)，提出了一種CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型，該模型能夠有效結(jié)合CNN神經(jīng)網(wǎng)絡(luò)和LSTM長短時(shí)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)。通過采用該模型對西寶高速交通流進(jìn)行預(yù)測后發(fā)現(xiàn)CNN-LSTM模型具有準(zhǔn)確的預(yù)測性能，其可為高速公路交通管理運(yùn)營提供數(shù)據(jù)支持，提高對突發(fā)事件的適應(yīng)性。

關(guān)鍵詞 高速公路;交通流;預(yù)測模型;CNN神經(jīng)網(wǎng)絡(luò);LSTM

中圖分類號 U491.112 文獻(xiàn)標(biāo)識碼 A 文章編號 2096-8949（2022）10-0013-03

0 引言

近年來隨著我國經(jīng)濟(jì)的快速發(fā)展，人們對于交通運(yùn)輸行業(yè)的發(fā)展也提出了更高的要求。當(dāng)前我國高速公路的交通量與日俱增，常常出現(xiàn)高速堵車以及嚴(yán)重的交通事故。不僅影響了高速公路的正常運(yùn)行，也給高速公路的通行安全帶來極大的隱患。因此，準(zhǔn)確地對高速公路交通流進(jìn)行預(yù)測能夠合理地規(guī)避上述問題，從本質(zhì)上提升高速公路的服務(wù)質(zhì)量?；诖耍撐奶岢隽艘粋€(gè)基于CNN和LSTM的高速公路交通流預(yù)測模型，通過與其他模型對比分析后發(fā)現(xiàn)該模型在預(yù)測高速公路交通流方面具有更高的精確度。采用交通流預(yù)測模型能夠?yàn)楦咚俟返墓芾砗瓦\(yùn)營提供有力的技術(shù)支撐。

1 交通流預(yù)測模型

1.1 模型分類

國內(nèi)外學(xué)者對于交通流預(yù)測模型展開深入研究，提出了近300余種預(yù)測模型，總體可歸納為統(tǒng)計(jì)方法模型、神經(jīng)網(wǎng)絡(luò)模型、非線性理論模型以及動(dòng)態(tài)交通分配模型[1-3]。其中，統(tǒng)計(jì)方法模型是通過對歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得出未來交通流的預(yù)測結(jié)果。此類模型簡單，所需檢測設(shè)備簡單，一般適用于特定路段的預(yù)測。由于模型預(yù)測精度較差且不具備實(shí)時(shí)性，因此，目前已較少應(yīng)用此類模型來預(yù)測高速公路的交通流。作為一種新興的數(shù)學(xué)方法，神經(jīng)網(wǎng)絡(luò)的黑箱型的學(xué)習(xí)模式使其在交通流預(yù)測方面具有顯著優(yōu)勢。在不需要任何經(jīng)驗(yàn)預(yù)測公式的基礎(chǔ)上，僅需對數(shù)據(jù)樣本進(jìn)行學(xué)習(xí)便能得到準(zhǔn)確的數(shù)學(xué)模型。也正基于此優(yōu)點(diǎn)，神經(jīng)網(wǎng)絡(luò)模型在預(yù)測時(shí)必須具有大量的數(shù)據(jù)樣本，一旦數(shù)據(jù)樣本較少，容易造成模型預(yù)測結(jié)果偏差很大。由于此類模型僅適用于預(yù)測數(shù)據(jù)所處的高速公路，對其他路段的交通流預(yù)測不具有普適性。非線性預(yù)測模型常以混沌理論、耗散理論等非線性系統(tǒng)為基礎(chǔ)，采用相關(guān)的非線性概念建立交通流預(yù)測模型。此類模型最大的特點(diǎn)是僅適用于交通流的短期預(yù)測，而不能用于長期預(yù)測。動(dòng)態(tài)交通分配模型是用獲取的數(shù)據(jù)進(jìn)行模擬，從而得到交通流的預(yù)測數(shù)據(jù)，由于采用靜態(tài)交通分配假設(shè)來進(jìn)行動(dòng)態(tài)交通流的預(yù)測，因此具備良好的理論基礎(chǔ)，但有些模型盡管解釋性好但可能存在無法求解或求解復(fù)雜等問題。此類模型一般不適用于大規(guī)模路網(wǎng)交通流的預(yù)測。表1中簡要給出了當(dāng)前用于高速公路交通流預(yù)測的模型特征。

1.2 模型網(wǎng)絡(luò)結(jié)構(gòu)

圖1為該文設(shè)計(jì)的高速公路交通流神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。預(yù)測模型由輸入層、隱藏層和輸出層組成[4-5]。輸入層主要是對高速公路交通流照片進(jìn)行采樣，操作流程是輸入交通流照片。隱藏層包含CNN卷積神經(jīng)網(wǎng)絡(luò)和LSTM長短期神經(jīng)網(wǎng)絡(luò)，其主要工作是將輸入層的圖片特征進(jìn)行分析并最終輸出到LSTM中對交通流進(jìn)行最后預(yù)測。基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型主要采用卷積層、池化層、全連接層以及LSTM，其中卷積層與池化層相對應(yīng)，在池化層后將池化層的節(jié)點(diǎn)全部展開成特征向量形式，并最終輸入到LSTM長短期神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測分析。

考慮到高速公路的交通流具有空間和時(shí)間效應(yīng)，因此，在進(jìn)行建模預(yù)測時(shí)必須將空間和時(shí)間作為整體。由于CNN卷積神經(jīng)網(wǎng)絡(luò)能較好捕捉交通流的空間特征，因此，在后續(xù)的信息數(shù)據(jù)處理過程中必須考慮時(shí)間對交通流的影響。由于LSTM能夠反映輸入數(shù)據(jù)前后間的相互影響，因此，以其作為對交通流預(yù)測的時(shí)間響應(yīng)模型。LSTM作為一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，通常由輸入門、遺忘門以及輸出門組成，分別起著控制當(dāng)前網(wǎng)絡(luò)狀態(tài)所需存儲(chǔ)的信息量、確定需要丟棄的狀態(tài)信息以及決定最后輸出的信息量的作用。單個(gè)時(shí)間步下的LSTM的網(wǎng)絡(luò)結(jié)構(gòu)可表示為圖2。CNN-LSTM神經(jīng)網(wǎng)絡(luò)的卷積層的核心是提取交通流圖片上的特征信息并進(jìn)行分析。假定圖片大小為M＼timesN，采用卷積核對圖像區(qū)域進(jìn)行點(diǎn)乘從而得到卷積后圖像的像素值。按照上述方法，對圖像進(jìn)行多次采用后，將所得數(shù)據(jù)存儲(chǔ)為一列即可實(shí)現(xiàn)全連接層的搭建。

1.3 模型構(gòu)建

交通流預(yù)測模型的構(gòu)建主要由卷積層、池化層、全連接層以及輸出層四部分組成。假定在當(dāng)前時(shí)刻高速公路的交通流為一組特征向量，為準(zhǔn)確預(yù)測一定時(shí)間內(nèi)的高速公路交通流，因此，在上述特征向量的基礎(chǔ)上考慮時(shí)間的影響，從而將其轉(zhuǎn)化為了矩陣向量。卷積核和圖像的像素分別表示為M×N和m×n，卷積層通過采用Relu激勵(lì)函數(shù)對卷積面中的所有元素按下式進(jìn)行計(jì)算：

式中，y為節(jié)點(diǎn)i與j的交通流情況，w為計(jì)算權(quán)重函數(shù)，m和n分別為交通流數(shù)據(jù)。

池化層采用下采樣法進(jìn)行計(jì)算，將特征映射進(jìn)行區(qū)域劃分后計(jì)算該區(qū)域的特征值。針對全連接層而言，作為前饋網(wǎng)絡(luò)通常采用同卷積層相同的Relu激活網(wǎng)絡(luò)進(jìn)行計(jì)算，并得到交通流的特征信息。全連接層的輸出作為LSTM層的輸入，該層的輸出被送入Softmax分類器中進(jìn)行分類，計(jì)算出現(xiàn)車輛特征的最大概率。

2 試驗(yàn)結(jié)果分析

2.1 數(shù)據(jù)來源及數(shù)據(jù)預(yù)處理

該文的實(shí)驗(yàn)數(shù)據(jù)來自西安市交通管理部門，路段為西寶高速路段，選取這條道路上的三個(gè)具有“上下游”關(guān)系的監(jiān)測點(diǎn)的交通流量進(jìn)行研究。結(jié)合道路1和道路2的交通量，對道路2的交通量進(jìn)行預(yù)測。交通流量每10分鐘統(tǒng)計(jì)一次，共1個(gè)月數(shù)據(jù)（2019.12.1—2019.12.30），獲得數(shù)據(jù)4 350條。其中，以2019.12.1—2019.12.24時(shí)間段的車流量數(shù)據(jù)為訓(xùn)練樣本，以2019.12.25—2019.12.30時(shí)間段的車流量為測試樣本。作為模型輸入的訓(xùn)練樣本3 350個(gè)，測試樣本1 000個(gè)。

2.2 評價(jià)標(biāo)準(zhǔn)

為了準(zhǔn)確地預(yù)測該路段未來的交通流的趨勢，所建立的交通流預(yù)測模型往往需要一個(gè)合適的評價(jià)指標(biāo)。為了更加精確地反映該文所建立模型的精度，采用了均方根誤差（RMSE）、平均絕對誤差（MAE）和擬合優(yōu)度（R）3個(gè)評價(jià)指標(biāo)來驗(yàn)證該文所提出的交通流預(yù)測模型的性能。這些評價(jià)指標(biāo)的表達(dá)式可表示為：

2.3 模型參數(shù)分析

由于模型構(gòu)建中CNN神經(jīng)中卷積核的尺寸和模型的迭代次數(shù)對試驗(yàn)結(jié)果的精度有一定影響，因此，在開展模型訓(xùn)練及預(yù)測之前須開展交通流預(yù)測模型的自身參數(shù)研究。為了更為合理地確定卷積核尺寸大小和迭代次數(shù)，實(shí)驗(yàn)過程中對不同卷積尺寸和迭代次數(shù)下模型預(yù)測的均方根誤差RMSE進(jìn)行了統(tǒng)計(jì)，結(jié)果如圖3所示。結(jié)果表明，卷積核尺寸為3×3時(shí)，模型的預(yù)測誤差最小;當(dāng)卷積核尺寸2×2和7×7時(shí)，模型的預(yù)測誤差較大，且最為復(fù)雜。雖然卷積核尺寸在3×3至6×6時(shí)均具有較小的RMSE，但考慮到卷積核尺寸越小，對模型預(yù)測速度影響較大。因此，模型中的卷積核尺寸最終確定為3×3。類似的，迭代次數(shù)與模型預(yù)測精度也表現(xiàn)為非線性關(guān)系，單一提高模型的迭代次數(shù)并非會(huì)得到更為準(zhǔn)確的預(yù)測結(jié)果，根據(jù)對實(shí)驗(yàn)結(jié)果的分析，模型的迭代次數(shù)確定為120次。

2.4 模型訓(xùn)練

在建立好高速公路交通流的CNN-LSTM預(yù)測模型后，將預(yù)先準(zhǔn)備好的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集輸入到該模型中并進(jìn)行后續(xù)的訓(xùn)練和測試工作。通過對模型參數(shù)調(diào)整，得到了交通流的預(yù)測結(jié)果。同時(shí)為了體現(xiàn)該文所建立模型的精度和優(yōu)越性，對比分析了基于CNN神經(jīng)網(wǎng)絡(luò)建立的交通流預(yù)測模型所預(yù)測的試驗(yàn)結(jié)果，如圖4所示。從圖中可以看出，相較于基本的CNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型，該文所建立的CNN-LSTM模型與實(shí)際交通流更為接近，且精度更高，因此，采用本模型來模擬高速公路交通流時(shí)具有更好的效果。除此之外，為了更直觀地反映這兩個(gè)模型在模擬交通流時(shí)的精度，表2給出了各自模型的誤差評價(jià)指標(biāo)。根據(jù)表及評價(jià)指標(biāo)可知，CNN-LSTM預(yù)測模型的誤差指標(biāo)均顯著低于基本的CNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型。綜上所述，CNN-LSTM模型在預(yù)測高速公路交通流方面更具優(yōu)越性。

3 結(jié)論

作為高速公路運(yùn)行規(guī)劃的前提條件，交通流預(yù)測是制約高速公路安全運(yùn)營的主要因素。該研究以深度神經(jīng)網(wǎng)絡(luò)為研究手段，通過結(jié)合CNN在數(shù)據(jù)提取方面和LSTM在前后交通流數(shù)據(jù)處理方面的優(yōu)點(diǎn)，提出了CNN-LSTM交通流預(yù)測模型。以西寶高速為例，在經(jīng)過調(diào)整模型參數(shù)后開展該模型的訓(xùn)練和預(yù)測工作。通過對比預(yù)測交通流與實(shí)際交通流發(fā)現(xiàn)，該文所建立的CNN-LSTM交通流預(yù)測模型在高速公路交通流預(yù)測方面具有極高的精度，為交通管理和控制提供有效的依據(jù)。

參考文獻(xiàn)

[1]高小婷. 基于時(shí)空相關(guān)性的短時(shí)交通流預(yù)測模型[J]. 電腦知識與技術(shù)， 2020（18）： 12-14.

[2]唐凡. 基于神經(jīng)網(wǎng)絡(luò)的城市交通流預(yù)測研究[J]. 四川水泥， 2019（4）： 335.

[3]蔣亞平， 郭俊亮， 趙軍偉. 基于組合模型的短時(shí)交通流預(yù)測[J]. 現(xiàn)代計(jì)算機(jī)， 2013（7）： 26-29.

[4]胡伍生， 呂楚男， 夏曉明. 基于神經(jīng)網(wǎng)絡(luò)的短期交通流預(yù)測模型[J]. 現(xiàn)代測繪， 2020（5）： 10-13.

[5]蒲悅逸， 王文涵， 朱強(qiáng)， 等. 基于CNN-ResNet-LSTM模型的城市短時(shí)交通流量預(yù)測算法[J]. 北京郵電大學(xué)學(xué)報(bào)， 2020（5）： 9-14.